顺丰速运
大模型算法工程师-（时序预测）
大模型算法工程师-（时序预测）
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Peft
Pytorch
分布式训练
大模型
时间序列预测
机器学习
模型微调
高性能推理
值不值得投
76综合评分
综合评分 76
聚焦大模型与时序预测的前沿技术岗，平台稳定且业务落地场景丰富，WLB需进一步确认。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 470 个在招 · 其中机器学习工程 4 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 370 个在招
职位详情
关于这个职位
该职位主要负责面向大规模多元时间序列的大模型预训练基座研发与创新，探索适用于时序数据的Transformer变体架构
针对电力、金融等高价值场景进行深度微调与高效适配，并将模型从研究原型推进至生产级系统，完成分布式训练与高性能推理优化
同时追踪前沿技术，推动模型能力在业务中的落地与行业赋能
最低要求
学历：计算机科学、人工智能、统计学等相关专业硕士及以上学历（博士优先）
经验：3年以上深度学习研发经验，并至少满足以下一个方向的专业要求：
专业方向（二选一）：
方向一：深度时间序列预测专家
对时间序列预测有深刻理解，熟悉ARIMA、Prophet等经典方法及LSTM、TCN、DeepAR等深度模型
具有开发或深度优化现代时序神经网络模型（如Informer, Autoformer, TimesNet等）的成功项目经验，并在公开数据集或实际业务中取得显著效果提升
方向二：通用大模型开发专家
具备大规模语言模型（LLM）或多模态大模型的预训练、指令微调（SFT）或对齐（RLHF）全流程实践经验
对Transformer架构、缩放定律、大模型训练稳定性有第一手的技术洞察和实操经验
核心技能：
精通Python，熟练掌握PyTorch框架，具备出色的工程实现与调试能力
扎实的机器学习基础，出色的数据敏感性和分析能力
熟悉Linux开发环境，具备大规模分布式训练或高性能推理优化经验者优先
拥有处理海量时序数据（TB级以上）的实际经验，熟悉相关数据处理和特征工程流程
工作职责
基座大模型研发与创新
参与研发面向大规模多元时间序列的预训练基座模型
探索适用于时序数据的Transformer变体（如Informer, FEDformer, PatchTST等）及创新架构
负责构建超大规模、高质量的时序预训练数据集，设计自监督预训练任务
模型深度优化与领域适配
针对电力、金融、工业等特定高价值场景，对基座模型进行深度微调与优化
研发高效的模型适配技术（如PEFT），确保模型能快速、低成本地适配多样化下游任务
系统工程与高性能推理
负责将模型从研究原型推进到生产级系统，优化训练框架，利用混合并行技术实现千亿参数模型的分布式训练
主导模型的高效推理优化，应用量化、编译优化等技术，降低服务延迟与资源消耗
技术前瞻与行业赋能
追踪时间序列分析、大模型预训练的前沿学术进展，并引入到产品研发中
与业务团队合作，将模型能力转化为可衡量的业务价值，定义行业新标准
优先资格
在时间序列分析、机器学习顶级会议（如ICLR, NeurIPS, ICML）或期刊上有发表论文
在金融风控、量化交易、能源预测、工业物联网、智能运维（AIOps）等领域有成功的预测模型落地经验
具备优秀的团队协作、沟通能力和强大的自我驱动学习能力
AI 洞察
优缺点分析
优点
- 接触千亿参数级大模型与前沿时序预测技术，技术栈处于行业领先水平
- 背靠成熟物流与供应链生态，业务落地场景丰富，算法成果可直接产生商业价值
- 平台资源充足，提供海量真实业务数据与高性能算力支持，利于技术快速迭代
- 团队聚焦高价值行业（金融、工业、能源），职业履历含金量高，跳槽竞争力强
- 业务场景复杂度高，需频繁与不同行业团队沟通，算法抽象与泛化能力面临考验
- 前沿技术探索存在不确定性，模型效果可能受数据质量与业务边界限制，需持续调优
- 适合具备扎实深度学习功底、追求技术前沿探索，且希望将AI能力直接转化为业务价值的算法工程师
缺点 / 挑战
- 千亿模型分布式训练与推理优化难度极高，需解决显存瓶颈、通信开销与稳定性问题
- 高强度研发节奏下，需兼顾学术创新与工程交付，多线程工作压力较大
角色解读
- 纵向深耕：可向首席算法科学家或大模型架构师方向发展，主导公司级AI基础设施与核心算法平台建设
- 横向拓展：向AI产品化或技术管理转型，负责算法团队搭建、跨部门技术协同与商业化落地规划
- 学术与产业融合：依托顶会发表与工业界落地经验，成为时间序列AI领域的行业专家与技术布道者
- 负责面向多元时间序列的大模型预训练基座研发，设计自监督任务与高质量数据集构建流程
- 针对金融、工业等垂直场景进行模型深度微调与高效适配，打通从研究原型到生产级系统的工程链路
- 主导千亿参数模型的分布式训练优化与推理加速，通过量化与编译技术降低延迟与资源消耗
- 追踪前沿学术成果并将其转化为可量化的业务指标，协助业务团队定义行业技术标准
- 精通Python与PyTorch框架，具备扎实的底层代码实现、调试与性能优化能力
- 深入掌握Transformer架构原理及缩放定律，熟悉主流时序预测模型（如Informer、TimesNet等）的机制与改进方法
- 具备大规模分布式训练实战经验，熟悉混合并行策略、显存优化及高性能推理部署流程
- 拥有TB级海量时序数据处理经验，熟练运用特征工程与数据清洗流水线构建高质量训练集
申请策略
- 提前了解顺丰在智慧物流、供应链金融等领域的数字化布局，准备1-2个算法赋能业务的案例设想
- 关注公司近期技术博客或开源项目，面试时可针对性提问以展现技术热情与匹配度
- 突出大模型预训练/微调全流程经验，明确标注参数量级、训练规模与性能提升指标
- 重点展示时序预测相关项目，强调模型选型依据、架构改进点及在公开数据集/业务中的效果对比
- 详细列出分布式训练与推理优化实践，包含并行策略、显存优化手段及延迟/吞吐改善数据
- 附带GitHub开源贡献、顶会论文或专利，证明技术深度与学术影响力
- 强化PyTorch底层机制与自定义算子开发能力，掌握Megatron-LM、DeepSpeed等主流分布式训练框架
- 系统学习时序预测前沿论文（如PatchTST、TimesNet），复现核心代码并理解其数学推导
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，重点突出技术决策逻辑、实验设计严谨性与量化产出
- 针对工程类问题，先阐述理论原理，再结合具体工具链与踩坑经验展开，最后总结可复用的最佳实践
- 针对业务类问题，建立“技术指标→业务指标→经济价值”的映射链条，体现算法工程师的商业敏感度
- 请详细描述你参与过的大模型预训练或微调项目，遇到的最大技术挑战及解决方案是什么？
- 面对TB级时序数据，如何设计数据清洗、特征工程与自监督预训练任务以保证模型收敛效果？
- 如何实现千亿参数模型的分布式训练？混合并行策略如何划分计算图与数据流？
- 在低延迟推理场景下，你会采用哪些量化与编译优化技术？如何权衡精度与速度？
- 如何将时序预测模型的效果转化为业务可衡量的价值？请举例说明
职位点评
薪资福利80
成长发展85
工作生活60
使命价值70
薪资福利
80较高
上市公司提供稳定的薪酬体系与完善的福利保障，但具体面议薪资需结合个人能力与谈判表现确定。
薪资信号面议 (4.0千–7.0万/月)
成长发展
85较高
聚焦大模型与时间序列前沿技术，业务落地场景丰富，技术成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、Time Series、PyTorch、Transformer、PEFT、分布式训练、量化优化
业务类型profit_center
工作生活
60中等
JD未明确提及办公模式与加班情况，工作强度与生活平衡程度暂无法评估。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
致力于将AI技术应用于金融、工业等高价值领域，具备明确的商业化导向与技术赋能价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
顺丰速运 的其他在招职位
相似职位推荐
Watch Jobs